[发明专利]一种无监督深度学习网络的机械故障诊断方法

摘要

本发明公开了一种无监督深度学习网络的机械故障诊断方法，包括步骤如下：(1)在机械设备的轴承等部件附近安装相应的传感器对振动信号进行采集，得到机械的振动信号;(2)将采集的振动信号转化为混合域故障特征数据集，并分为测试与训练样本特征子集；(3)将训练样本特征子集输入到所构建的无监督深度学习网络(UDLN)模型中学习与训练，该UDLN模型由两层改进的稀疏滤波(L12SF)无监督特征提取层及一层加权欧式距离相似仿射(WE‑AP)聚类层组成；(4)将测试样本输入到训练好的诊断模型，实现全程无监督特征学习与故障聚类。(5)根据测试样本聚类划分的隶属程度计算其识别率，实现故障识别与诊断。本发明简单易行，该方法可对机械设备的各类故障进行自适应的无监督故障诊断。

主权项

1.一种无监督深度学习网络的机械故障诊断方法，其特征在于，包括以下步骤：步骤1、预先选定机械设备上的被测部件，采集机械设备上被测部件的振动信号；步骤2、将采集的振动信号转化为混合域故障特征数据集，并将其分为测试样本特征子集与训练样本特征子集，测试样本特征子集即作为测试样本，训练样本特征子集即作为训练样本；步骤3、初始化无监督深度学习网络UDLN模型的参数，将训练样本输入到UDLN模型中进行预训练，得到UDLN模型的参数；预训练具体如下：UDLN模型由两阶段学习构成：首先，将训练样本输入到L12范数稀疏滤波L12SF特征提取层，L12范数是融合1范数与2范数的范数表达，利用该L12SF产生特征竞争特效，从而提取到特征值；然后,该提取的特征值被送入到加权欧式距离相似仿射WE‑AP聚类层，得到训练后的UDLN模型的参数；步骤4、再将测试样本输入到训练完成的UDLN模型，得到故障聚类与识别结果；步骤5、根据故障聚类的隶属度情况及聚类中心，计算各类故障识别率，实现机械设备的故障诊断。